Skip to main content
Denne siden vises ved hjelp av automatisk oversettelse. Vis på engelsk i stedet?

Søppelplukking: En reell utfordring for roboter

Ines Ugalde Diaz | Årets oppfinnere fra Siemens | Nykommer

Det er oppgaver som er enkle for mennesker, men veldig vanskelige for roboter, og søppelplukking er en av disse oppgavene. For eksempel må roboter kunne plukke en enkelt del ut av en søppelkasse som inneholder en usortert, kaotisk ordnet haug med individuelle deler som en haug med pakker.

Ines Ugalde Diaz og hennes team i Berkeley (USA) har utviklet robotstyringssystemer i mer enn seks år og har gjort over 40 oppfinnelser så langt. Ines ble hedret som Årets oppfinner 2024 i kategorien Nykommer for en løsning for plukking av søppel som kan modifiseres fleksibelt for forskjellige robotgripeverktøy. Denne spesielle oppfinnelsen ble valgt fordi den fungerer som frøet til neste generasjon av Siemens SIMATIC Robot Pick AI. Pick AI har blitt omtalt på en rekke messer, inkludert årets Hannover-messe i Tyskland våren 2024.

Griping ved vakuum

A person is standing in front of a whiteboard covered with diagrams and handwritten notes related to 3D object recognition and ranking.

Mange roboter griper ved å skape et vakuum. På enden av armen - det som kalles endeeffektoren - bruker roboter en eller flere sugekopper for å utøve vakuum på gjenstanden som skal gripes. For å gjøre dette må sugekoppene lande på en optimalt, flat, glatt og ikke-porøs overflate. Det finnes mange varianter av sugekopper i forskjellige størrelser og former, med en rektangulær eller firkantet base og med en eller flere sugekopper.

«Vår nye oppfinnelse forenkler bruken av sugefripere i varierende størrelser og arrangementer. Det er opp til kunden å bestemme hva de vil ha, sier Ines. «Det er faktisk et veldig unikt aspekt av produktet vårt som skiller oss fra alle konkurrentene.»

Å se gjennom kaoset

I kaoset i en søppelkasse ligger de enkelte delene oppå hverandre i tilfeldige romlige orienteringer. Roboten må først gjenkjenne strukturen i dette kaoset: Den må identifisere hvor en del begynner og hvor den slutter og forstå hvordan den er plassert for å finne et sted der den kan få et godt grep. De nødvendige dataene - den nåværende visningen av boksen - leveres av et 3D-kamera. AI-algoritmer som er opplært til å skille de enkelte objektene i disse bildene legger grunnlaget for å kontrollere robotarmen.

Forbedring av standard programvare

Den tildelte oppfinnelsen bygger på grunnlag av sceneforståelse, spesielt å skille beholderen og de enkelte gjenstandene. Dette blir vanligvis referert til som «forekomstsegmentering», et standardproblem innen maskinlæring og datasyn. Det er allerede mange forhåndstrente modeller for denne oppgaven som har hatt nytte av trening på millioner av eksempler. De er gode, men de er for generelle, og de gjør feil i bin-picking-scenarier. Ines og hennes gruppe forbedret ytelsen til disse standardløsningene til tilfredsstillende nivåer ved å gi dem en ekstra opplæring i spesifikke datasett: for eksempel virkelige data fra eksisterende Pick AI-robotceller.

A person is working at a desk with two computer monitors displaying code and a robotic arm visible in the foreground.

Datadeling for bedre ytelse

A hand is pointing at a computer screen showing a colorful digital image with a green checkmark indicating successful processing.

«Løsningen vår er ment å fungere på alle kundesteder, fordi vi trente den på enorme datasett fra både syntetiske og virkelige kilder,» sier Ines. «Det gjør det veldig bra på esker, flasker og poser, og også hvis delen kommer pakket inn i plastfolie. I prinsippet bør kundene ikke se noen driftsforringelse, men hvis de gjør det, kan de la modellene lære av feilene sine. Dette er en del av vår strategi for produktet. Vi forbereder oss på å innta store datasett fra flåter av roboter i Siemens-skyen, som har muligheten til å utnytte en feilsak for å gjøre produktet vårt bedre — ikke bare for én kunde, men for alle kunder som er enige om datadeling.» Forbedringene fører ikke bare til ytelsesgevinster, men også til å avsløre nye brukstilfeller. «Vi har vist at vi med minimal innsats kan modifisere programvaren for å ta på oss helt nye brukstilfeller, inkludert robotdepalletering,» forklarer Ines. Pick AI er kjernen i en nylig utplassert robotdepalleteringscelle på et av Siemens produktive lagre i Erlangen, Tyskland. Takket være dataene skyver teamet grensene for robotmanipulasjon.